【技术实现步骤摘要】
本专利技术属于风电机组智能状态监测，尤其涉及一种基于时空图的可解释风电机组发电机状态监测方法。
技术介绍
1、风能作为一种清洁可再生能源，近年来被广泛利用。风电机组作为一种将风能转化为电能的大型复杂机电装备，总装机容量不断攀升。风电机组通常安装在沙漠、草原、海上等风能资源丰富的地区，其工作环境恶劣、运行工况复杂多变。发电机是风电机组的核心部件，在长时间的运行过程中容易发生故障，如发电机轴承磨损、绕组短路等。发电机这一核心部件一旦发生故障，会导致整台风电机组停机维修，造成巨额经济损失。因此，对风电机组发电机的运行状态监测可以及时地分析并评估机组当前的健康状态并预测其未来的工作状态，进而保障机组安全、稳定、高效的运行，避免因故障而导致的经济损失和恶劣的社会影响等方面具有重要意义。随着传感技术的进步以及装备的数字化、信息化、网络化的发展，风电机组scada(supervisory controland dataacquisition)系统采集并积累了大量的机组运行数据，结合新一代人工智能技术的发展，特别是深度学习神经网络在大数据分析领域的优异性能，基于深度学习神经网络的风电机组状态监测方法受到了广泛的关注和研究。利用深度学习神经网络对风电机组发电机进行状态监测时，当前的工作主要集中在风电机组scada数据的建模分析上，如构建机组正常行为模型来预测风电机组未来时刻工作时的特征数据值，通过数据预测值与实际值的残差的分析来实现风电机组运行状态的在线监测。然而，目前深度学习神经网络在风电机组运行状态监测上的性能于所获取数据的质量和数量，存在误
2、针对风电机组发电机这一关键部件，融合风电机组领域知识，基于深度学习神经网络构建可解释的智能诊断方法，提升发电机部件的状态监测性能，本专利技术提出了一种基于时空图的可解释风电机组发电机运行状态监测方法。
技术实现思路
1、为了增强深度学习神经网络在风电机组发电机状态监测的性能，降低误警率、提高鲁棒性，克服当前人工智能方法在装备状态监测方面可解释性欠缺等问题，本专利技术提供了一种基于时空图的可解释风电机组发电机状态监测方法，监测性能更优秀，鲁棒性更好，可解释性更强。
2、为解决上述技术问题本专利技术提供的技术方案为：
3、一种基于时空图的可解释风电机组发电机状态监测方法，包括以下步骤：
4、s1.采集风电机组运行过程中scada(supervisory control and dataacquisition)数据，利用其参照风速功率特性曲线在设定范围内稳定运行的数据建立正常行为模型；
5、s2.以风电机组发电机为例，选择风电机组内部与发电机部件相关联的n个特征，对所选择的特征数据进行数据清洗和预处理，得到数据处理后的有效数据；
6、在数据清洗阶段，删除风电机组运行功率为0的数据、超出正常运行区间的数据、限功率运行的数据。
7、在数据预处理阶段，采用最大最小值归一化(min-max scaling)对scasd数据进行无量纲化处理。设风电机组参照风速功率等特性曲线稳定运行状态下，scada系统收集有t个样本数据，xi,j为第i个样本中的第j个所选择的scada特征数据，和分别为第j个scada特征数据中的最小值和最大值，则所选scada特征数据标准化后的数据为：
8、
9、s3.利用风电机组相关的先验知识包括机组内部结构以及监测变量之间的因果关系将上述s2进行数据处理的scada数据嵌入到时空图数据中，由此构建包含了先验知识的第i时刻的有向图数据gi＝(v,e)。其中，v＝{v1,...,vn}是有向图中所有节点的集合，v1,...,vn是所选择的n个scada特征在图中代表一个节点；e则是边关系的集合，代表了一个节点与其相邻节点间的关系。先验知识的构图方法包含两个步骤：第一个步骤是将scada系统收集到的数据进行特征映射，风电机组发电机零部件对应的相关特征反映不同零部件各自的运行情况；第二步是将scada数据根据先验知识分类为环境信息(例如风速、环境温度等)、风电机组内部信息(例如主轴转速，发电机绕组温度等)以及输出变量信息(例如有功功率等)三类。这三类信息间存在着环境信息影响风电机组内部信息，而内部信息又影响了风电机组输出变量信息的关系。根据上述先验知识，形成各节点间的连接关系融合scada特征数据形成有向图gi。用特征矩阵来表示第i个样本的特征数据，其中f代表节点的特征维度，用邻接矩阵表示节点间的关系。将形成的有向图数据g按时间窗口进行划分，窗口长度设置为l，步长设置为1，形成一段序列的有向图数据g1:l:[g1,g2,...,gi,...,gl]。
10、s4.利用一种时空信息融合的图神经网络对上述构建的时空图数据序列g1:l，融合风电机组参照风速功率特性曲线在设定范围内稳定运行的特点，预测后续时刻各节点的特征值，并计算各节点预测值和实际测量值的残差，通过指数加权移动平均(exponentiallyweighted moving average，ewma)控制图方法对风电机组发电机整体特征的残差以及各监测点分别进行计算，选择合适的控制图参数设置发电机全图及各节点的阈值来进行风电机组发电机的状态监测。全图级残差反映了风电机组发电机整体的运行状态，而节点级残差反映了对应的scada特征所映射的风电机组发电机相关零部件的运行状态，并且节点级状态监测结果在图中，按时间先后顺序形成的异常信息传递关系来增强状态监测结果的可解释性。
11、进一步的，所述步骤s4中，各节点特征值的预测过程如下：
12、时空信息融合的图神经网络由图注意力网络、全局和局部注意力嵌入层、长短时记忆网络(long short-term memory，lstm)以及线性回归层4个部分组成。图注意力网络通过节点间的注意力机制在单个时空图数据gi中利用先验知识的拓扑关系(邻接矩阵)传递和更新节点信息使得各节点有效捕捉数据中的空间信息，v1,...,vu,...,vn等节点集合中，以vu为例，vu∈v作为中心节点及其节点特征则是将信息传递到vu的相邻节点集合，是集合中的节点之一且其节点特征图注意力网络过程分为如下两步：
13、第一步：利用图注意力机制计算各节点间归一化注意力系数，节点vr传递到中心节点vu的归一化注意力系数为：
14、
15、式中，at为可学习的神经网络参数矩阵，||表示矩阵拼接操作，leakrelu()是一个非线性激活函数，分别表示节点vu、节点vr以及节点vk的维度变换可学习矩阵，αur则为节点vu和vr间的归一化注意力系数。
16、第二步：利用一种多头注意力方法整合图表示网络，并利用矩阵拼接操作将单个有向图内所有节点特征进行拼接，得到各节点空间信息整本文档来自技高网...
【技术保护点】
1.一种基于时空图的可解释风电机组发电机状态监测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于时空图的可解释风电机组发电机状态监测方法，所述步骤S2中：
3.如权利要求1所述的一种基于时空图神经网络的可解释风电机组发电机状态监测方法，所述步骤S3中，利用先验知识的构图包含如下步骤：
4.如权利要求1所述的一种基于时空图的可解释风电机组发电机状态监测方法，所述步骤S4中，各节点特征值的预测过程如下：
5.如权利要求1所述的一种基于时空图的可解释风电机组发电机状态监测方法，其特征在于，所述步骤S4中，对风电机组发电机整体特征残差，即进行全图级状态监测：将有向图中所有节点特征的预测残差进行计算，反映风电机组发电机整体的运行状态即全图级状态监测结果用下式表示：
6.如权利要求1所述的一种基于时空图的可解释风电机组发电机状态监测方法，其特征在于，所述步骤S4中，对各节点特征的残差计算，即进行节点级状态监测，构建节点级异常信息按时间先后顺序排列是否存在传递关系来判断故障的发生，过程如下：
【技术特征摘要】
1.一种基于时空图的可解释风电机组发电机状态监测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于时空图的可解释风电机组发电机状态监测方法，所述步骤s2中：
3.如权利要求1所述的一种基于时空图神经网络的可解释风电机组发电机状态监测方法，所述步骤s3中，利用先验知识的构图包含如下步骤：
4.如权利要求1所述的一种基于时空图的可解释风电机组发电机状态监测方法，所述步骤s4中，各节点特征值的预测过程如下：
5.如权利要求1...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。